Paardenvechters Draft

Paardenvechters Draft#

# Import packages
import pandas as pd
import plotly.express as px
import seaborn as sns
import numpy as np
import matplotlib.pyplot as plt
import plotly.graph_objs as go
from plotly.subplots import make_subplots
from matplotlib.ticker import PercentFormatter
import warnings
warnings.filterwarnings('ignore')

link to dataset3: https://www.kaggle.com/datasets/henryshan/sleep-health-and-lifestyle

Introductie#

Diabetes is een chronische ziekte die impact heeft op miljoenen mensen. Hierbij kan het lichaam glucose niet goed reguleren wat kan leiden tot een te hoge bloedsuikerspiegel en schade aan verschillende organen als het niet wordt behandeld.

Diabetes kan in twee vormen voorkomen: diabetes type 1 en type 2 In deze data story wordt er voornamelijk gesproken over type 2, omdat er verschillende correlaties gevonden kunnen worden tussen verschillende factoren zoald voeding, sporten en klimaat die van invloed zijn bij het ontstaan van deze ziekte integenstelling tot diabetes type 1 dat alleen kan onstaan op basis van je genetische aanleg. Door te begrijpen hoe fysieke activiteit en omgevingsfactoren bijdragen aan deze aandoening, kunnen we effectievere preventie- en behandelstrategieën ontwikkelen en de levenskwaliteit van mensen die diabetes hebben verbeteren.

studenten: Pepe Morselt (15239551), Marilène Oud (15247112), Paul Elsinghorst (15002608), Thimo de Wolff (15240428)

Onze perspectieven en argumenten zijn de volgende:

Verschillende levensstijl factoren kunnen een impact hebben op het risico en het ontstaan van diabetes.

Arg 1: Regelmatige lichaamsbeweging, zoals aerobe oefeningen en krachttraining, verbetert niet alleen de insulinegevoeligheid maar speelt ook een cruciale rol in gewichtsbeheersing. Een gebalanceerd dieet is daarnaast ook essentieel voor gewichtsbeheersing en diabetespreventie

Arg 2: Naast roken hebben andere levensstijlkeuzes zoals stressmanagement en slaappatronen ook invloed op het risico op diabetes. Overmatige consumptie van alcohol kan ook leiden tot insulineresistentie.

Zwangerschap kan ook een belangrijke invloed hebben op de ontwikkeling van diabetes.

Arg 1: Zwangerschapsdiabetes ontstaat wanneer de hormonen van de zwangerschap de insulinewerking van het lichaam verstoren, wat leidt tot een verhoogde bloedsuikerspiegel. Dit type diabetes verdwijnt meestal na de bevalling, maar het kan zowel voor de moeder als het kind complicaties veroorzaken, zoals een verhoogd risico op type 2 diabetes later in het leven.

Door een gezond dieet met veel suikervrije voedingsmiddelen kan diabetes type 2 genezen worden.

Arg 1: Een gezond dieet dat rijk is aan vezels, volle granen, magere eiwitten en groenten kan bijdragen aan gewichtsverlies of gewichtsbeheersing.

Arg 2: Suikervrije voedingsmiddelen, vooral diegene met een lage glycemische index (GI), kunnen helpen om stabiele bloedsuikerspiegels te handhaven.

#https://www.kaggle.com/datasets/iammustafatz/diabetes-prediction-dataset
#https://www.kaggle.com/datasets/mathchi/diabetes-data-set
df = pd.read_csv("diabetes.csv")
pd.set_option('display.max_columns', None)
df = df.rename(columns={'Outcome': 'diabetes'})
df.head(5)
Pregnancies Glucose BloodPressure SkinThickness Insulin BMI DiabetesPedigreeFunction Age diabetes
0 6 148 72 35 0 33.6 0.627 50 1
1 1 85 66 29 0 26.6 0.351 31 0
2 8 183 64 0 0 23.3 0.672 32 1
3 1 89 66 23 94 28.1 0.167 21 0
4 0 137 40 35 168 43.1 2.288 33 1 
#https://www.kaggle.com/datasets/iammustafatz/diabetes-prediction-dataset
df2 = pd.read_csv("diabetes_prediction_dataset.csv")
pd.set_option('display.max_columns', None)
df2.head(5)
gender age hypertension heart_disease smoking_history bmi HbA1c_level blood_glucose_level diabetes
0 Female 80.0 0 1 never 25.19 6.6 140 0
1 Female 54.0 0 0 No Info 27.32 6.6 80 0
2 Male 28.0 0 0 never 27.32 5.7 158 0
3 Female 36.0 0 0 current 23.45 5.0 155 0
4 Male 76.0 1 1 current 20.14 4.8 155 0 
df3 = pd.read_csv("ss.csv")
df3['BMI Category'] = df3['BMI Category'].replace('Normal Weight', 'Normal')
df3.head(5)
Person ID Gender Age Occupation Sleep Duration Quality of Sleep Physical Activity Level Stress Level BMI Category Blood Pressure Heart Rate Daily Steps Sleep Disorder
0 1 Male 27 Software Engineer 6.1 6 42 6 Overweight 126/83 77 4200 NaN
1 2 Male 28 Doctor 6.2 6 60 8 Normal 125/80 75 10000 NaN
2 3 Male 28 Doctor 6.2 6 60 8 Normal 125/80 75 10000 NaN
3 4 Male 28 Sales Representative 5.9 4 30 8 Obese 140/90 85 3000 Sleep Apnea
4 5 Male 28 Sales Representative 5.9 4 30 8 Obese 140/90 85 3000 Sleep Apnea

Observaties#

Er bestaat een correlatie tussen obese zijn en een hogere bloeddruk. De Mediaan gaat duidelijk omhoog met elke BMI categorie. De boxpolts zijn wat onduidelijk in de hogere categorïen. Volgens deze statistieken hebben vrouwen over het algemeen een lagere bloeddruk.

df2 = df2[df2['smoking_history'] != 'No Info']
diabetes_smoking_summary = df2.groupby(['diabetes', 'smoking_history']).size().unstack()

fig, axes = plt.subplots(1, 2, figsize=(14, 7))

for i, diabetes_category in enumerate(diabetes_smoking_summary.index):
    axes[i].pie(diabetes_smoking_summary.loc[diabetes_category],
                labels=diabetes_smoking_summary.columns,
                autopct='%1.1f%%',
                startangle=90)
    axes[i].set_title(f'Diabetes: {diabetes_category}')

plt.suptitle('Distribution of Smoking History by Diabetes Status')
plt.show()
../_images/d267969052ac75c8c76395dd572293afa3579ff769d877dfe84de15bcfecf401.png

Observaties#

Deze gegevens zijn gefilterd zodat de gegevens waarvan we hun niet in het cirkeldiagram zijn geplaatst, wat tot een verkeerde visualisatie van de gegevens kan leiden.

Mensen met diabetes hebben vaker gerookt. We hebben echter nog niet ontdekt waarom dit het geval is.

import plotly.express as px
import pandas as pd

diab_prev = pd.read_csv('diabetes-prevalence.csv')

diab_prev['Year'] = pd.to_numeric(diab_prev['Year'])

diab_prev_sorted = diab_prev.sort_values(by='Year')

fig = px.choropleth(diab_prev_sorted, 
                    locations='Code',
                    color='Diabetes prevalence (% of population ages 20 to 79)',  # Column with data to plot
                    hover_name='Entity',
                    animation_frame='Year',
                    color_continuous_scale='YlOrRd',
                    projection='natural earth'
                   )

fig.update_layout(title='Diabetes Prevalence Worldwide',
                  geo=dict(showcoastlines=True,
                           showcountries=True),
                  height=600,
                  width=1000
                 )

fig.show()

diab_prev.head()
Entity Code Year Diabetes prevalence (% of population ages 20 to 79)
0 Afghanistan AFG 2011 7.6
1 Afghanistan AFG 2021 10.9
2 Albania ALB 2011 2.8
3 Albania ALB 2021 10.2
4 Algeria DZA 2011 7.0 
df4 = pd.read_csv("weight_20_USA.csv")
df5 = pd.read_csv("Weight_children_USA.csv")
pd.set_option('display.max_columns', None)
pd.set_option('display.max_rows', None)
df4.head(1)
INDICATOR PANEL PANEL_NUM UNIT UNIT_NUM STUB_NAME STUB_NAME_NUM STUB_LABEL STUB_LABEL_NUM YEAR YEAR_NUM AGE AGE_NUM ESTIMATE SE FLAG
0 Normal weight, overweight, and obesity among a... Normal weight (BMI from 18.5 to 24.9) 1 Percent of population, age-adjusted 1 Total 1 20 years and over 1.1 1988-1994 1 20 years and over 1.0 41.6 0.8 NaN 
df5.head(1)
INDICATOR PANEL PANEL_NUM UNIT UNIT_NUM STUB_NAME STUB_NAME_NUM STUB_LABEL_NUM STUB_LABEL YEAR YEAR_NUM AGE AGE_NUM ESTIMATE SE FLAG
0 Obesity among children and adolescents aged 2-... 2-19 years 1 Percent of population, crude 1 Total 0 0.0 2-19 years 1988-1994 1 2-19 years 0.0 10.0 0.5 NaN 
def print_column_headers(dataset):
    """
    Prints all the column headers of a pandas DataFrame.
    
    Parameters:
    dataset (pd.DataFrame): The dataset from which to print column headers.
    """
    if not isinstance(dataset, pd.DataFrame):
        raise TypeError("The input dataset must be a pandas DataFrame.")
    
    print("Column Headers:")
    for col in dataset.columns:
        print(col)
print_column_headers(df4)

Column Headers:
INDICATOR
PANEL
PANEL_NUM
UNIT
UNIT_NUM
STUB_NAME
STUB_NAME_NUM
STUB_LABEL
STUB_LABEL_NUM
YEAR
YEAR_NUM
AGE
AGE_NUM
ESTIMATE
SE
FLAG

required_columns = ['YEAR', 'PANEL', 'ESTIMATE']
for col in required_columns:
    if col not in df4.columns:
        raise ValueError(f"Missing required column: {col}")

# Group by YEAR and PANEL (poverty level), and calculate the mean estimate (assuming ESTIMATE is the diabetes ratio)
diabetes_ratio = df4.groupby(['YEAR', 'PANEL'])['ESTIMATE'].mean().reset_index()

# Pivot the DataFrame to have years as rows and poverty levels as columns for easier plotting
pivot_table = diabetes_ratio.pivot(index='YEAR', columns='PANEL', values='ESTIMATE')

# Plot the data
plt.figure(figsize=(12, 6))
sns.lineplot(data=pivot_table, markers=True)
plt.title('Ratio of Diabetes per Poverty Level Over the Years')
plt.xlabel('Year')
plt.ylabel('Diabetes Ratio')
plt.legend(title='Poverty Level')
plt.show()
../_images/792352d6bb245348671bc8df1d3aeb858f9829b76d93f950344dbf70c391e95a.png 
filtered_dataset = df4[df4['STUB_NAME'] == 'Total']

filtered_dataset = df5[df5['STUB_NAME'].isin(['Percent of poverty level'])]

filtered_recent = df5[df5['YEAR_NUM'] == 10] 

filtered_recent_genders = filtered_recent[
    (filtered_recent['STUB_LABEL'].isin(['Male', 'Female'])) | 
    (filtered_recent['STUB_NAME'] == 'Percent of poverty level')]

selected_col = ['INDICATOR', 'AGE', 'STUB_LABEL', 'ESTIMATE']
filtered_df = filtered_recent_genders[selected_col]

from matplotlib.ticker import PercentFormatter
filtered_df_2 = filtered_df[filtered_df['AGE'] != '2-19 years']

plt.figure(figsize=(14, 8))
sns.lineplot(data=filtered_df_2, x='AGE', y='ESTIMATE', hue='STUB_LABEL', markers=True, dashes=False)

plt.title('Childhood obesity per gender and household income in the USA')
plt.xlabel('Age')
plt.ylabel('Obesity percentage')
plt.legend(title='Legend for Labels')
plt.grid(True)
plt.gca().yaxis.set_major_formatter(PercentFormatter(xmax=100))
plt.show()
../_images/3928f6a8ac8749e247c45795baccd3efd68c630c2b26272c9cef75a01ad29ba9.png

Perspectief 1#

Mensen met een lager inkomen hebben minder toegang tot gezonde voeding doordat gezonde voeding duurder is.#

# Example of reading CSV files with specified encoding
try:
    df7 = pd.read_csv("faps_access_puf.csv", encoding='latin-1')
    df8 = pd.read_csv("faps_fahitem_puf.csv", encoding='latin-1')
    df9 = pd.read_csv("faps_fafhitem_puf.csv", encoding='latin-1')
except UnicodeDecodeError as e:
    print(f"UnicodeDecodeError: {e}")
df7.head(2)
hhnum infousa_flag snap1 snap2 snap3 snap4 snap5 snap6 snap7 snap8 ss1 ss2 ss3 ss4 ss5 ss6 ss7 ss8 sm1 sm2 sm3 sm4 sm5 sm6 sm7 sm8 co1 co2 co3 co4 co5 co6 co7 co8 cs1 cs2 cs3 cs4 cs5 cs6 cs7 cs8 mlg1 mlg2 mlg3 mlg4 mlg5 mlg6 mlg7 mlg8 dist_ss dist_sm dist_co dist_cs dist_mlg dist_walmart nearsnap_placeid nearsnap_stype nearsnap_dist nearsmss_placeid nearsmss_stype nearsmss_dist ff1 ff2 ff3 ff4 ff5 ff6 ff7 ff8 nonff1 nonff2 nonff3 nonff4 nonff5 nonff6 nonff7 nonff8 nearff_sic1 nearff_sic2 nearff_dist nearnonff_sic1 nearnonff_sic2 nearnonff_dist nearmcd_sic1 nearmcd_sic2 nearmcd_dist
0 100012 1 0 4 9 16 19 22 37 188 0 0 1 2 2 2 3 13 0 1 1 1 1 1 1 14 0 1 5 5 7 8 14 67 0 0 0 4 5 7 12 62 0 2 2 3 3 3 6 11 0.90 0.33 0.34 1.03 0.33 0.9 1017721.0 SM 0.33 1017721.0 SM 0.33 0 1 10 11 12 12 14 77 0 4 15 21 26 26 36 222 581208 581206 0.30 581208 581208 0.3 581208 581206 0.527480
1 100015 1 1 6 18 43 52 80 118 512 0 0 1 2 2 3 5 21 0 0 0 3 5 6 9 41 0 1 4 12 14 20 27 141 0 3 10 15 17 30 43 182 0 0 0 3 3 7 10 36 0.94 1.05 0.32 0.26 1.16 1.7 NaN ME 0.19 1160329.0 SS 0.94 1 1 2 15 16 22 28 39 2 4 16 35 43 60 75 113 581208 581206 0.21 581208 581208 0.2 581208 581206 1.546103 
df8.head(2)
hhnum eventid itemnum itemdesc itemdescsource itemdesc_flag barcode barcodesource upcreceiptmatch iri barcode_original itemreportmethod itemassignmethod totgramsunadj totgramsunadjimp pkgsize pkgsizeunit fluidozgrams eggsize quantity varwgtlbs varwgtcount pkgwtsource totitemexp totitemexpnocoupons totstoresavings coupons totitemexp_flag free imputedexp imputedvalue imputemethod scandate_flag
0 100012 65792 1 NaN 1 0 051933267503 1 NaN 1 .V 1 2 340.2 NaN 12.0 OZ NaN NaN 1 NaN NaN 1.0 0.89 0.89 0.0 0.0 0 0.0 -996.0 -996.0 -996 0
1 100012 65792 2 NaN 1 0 051933161825 1 NaN 3 .V 1 2 NaN NaN NaN NaN 30.7 NaN 1 NaN NaN NaN 0.79 0.79 0.0 0.0 0 0.0 -996.0 -996.0 -996 0 
df9.head(2)
hhnum eventid itemnum bundlenum bundletype menugrp nonschmealitem itemdesc itemdescsource quantity quantity_flag size size_flag sizeunit sizeunit_flag sizerelative gramstotal additem_flag itemcost itemcost_flag totitemcost free free_flag2 impitemcost impcostmethod imptotcost
0 100012 65766 1 NaN NaN TOP -996.0 Double Cheeseburger 7 1.0 0 NaN 0 NaN 0 NaN 165.0 0 0.0 0 0.0 1 0 NaN -996 NaN
1 100012 65767 1 NaN NaN BEV -996.0 REGULAR SODA, SPRITE, SIERRA MIST, MOUNTAIN DEW 5 3.0 0 12.0 0 OZ 1 NaN 1108.8 0 0.5 0 1.5 0 0 NaN -996 NaN

Mensen met een lager inkomen doen minder vaak aan sport buiten werk#

df6 = pd.read_csv('diabetes_split.csv')
df6.head(5)
Diabetes_binary BMI Smoker PhysActivity Fruits Veggies AnyHealthcare NoDocbcCost GenHlth PhysHlth Sex Age Education Income
0 0.0 26.0 0.0 1.0 0.0 1.0 1.0 0.0 3.0 30.0 1.0 4.0 6.0 8.0
1 0.0 26.0 1.0 0.0 1.0 0.0 1.0 0.0 3.0 0.0 1.0 12.0 6.0 8.0
2 0.0 26.0 0.0 1.0 1.0 1.0 1.0 0.0 1.0 10.0 1.0 13.0 6.0 8.0
3 0.0 28.0 1.0 1.0 1.0 1.0 1.0 0.0 3.0 3.0 1.0 11.0 6.0 8.0
4 0.0 29.0 1.0 1.0 1.0 1.0 1.0 0.0 2.0 0.0 0.0 8.0 5.0 8.0 
df6['PhysActivity'] = df6['PhysActivity'].astype(int)

# Map the values to their respective labels
df6['PhysActivity'] = df6['PhysActivity'].map({0: 'No Physical Activity', 1: 'Physical Activity'})

# Fill NaN values in PhysActivity column with a placeholder (if any)
df6['PhysActivity'] = df6['PhysActivity'].fillna('Unknown')

# Filter DataFrame for PhysActivity == 'Physical Activity' (1) and PhysActivity == 'No Physical Activity' (0)
df_active = df6[df6['PhysActivity'] == 'Physical Activity']
df_inactive = df6[df6['PhysActivity'] == 'No Physical Activity']

# Calculate proportions within the DataFrame for each subset
df_active['Proportion'] = df_active.groupby(['Age', 'Income'])['PhysActivity'].transform('size') / len(df_active)
df_inactive['Proportion'] = df_inactive.groupby(['Age', 'Income'])['PhysActivity'].transform('size') / len(df_inactive)

# Create Bubble Plot for Physical Activity
fig1 = px.scatter(
    df_active,
    x='Age',
    y='Income',
    size='Proportion',
    color='PhysActivity',
    hover_name='PhysActivity',
    size_max=30,
    title='Bubble Plot: Income by Age and Physical Activity (Physical Activity)',
    labels={
        'Age': 'Age',
        'Income': 'Income',
        'Proportion': 'Proportion of Total Values',
        'PhysActivity': 'Physical Activity'
    },
    template='plotly_white'
)

fig1.update_layout(
    xaxis=dict(
        title='Age',
        tickvals=list(range(1, 14)),
        ticktext=list(range(1, 14))
    ),
    yaxis=dict(
        title='Income',
        tickvals=list(range(1, 9)),
        ticktext=list(range(1, 9))
    ),
    height=600
)

# Create Bubble Plot for No Physical Activity
fig2 = px.scatter(
    df_inactive,
    x='Age',
    y='Income',
    size='Proportion',
    color='PhysActivity',
    hover_name='PhysActivity',
    size_max=30,
    title='Bubble Plot: Income by Age and Physical Activity (No Physical Activity)',
    labels={
        'Age': 'Age',
        'Income': 'Income',
        'Proportion': 'Proportion of Total Values',
        'PhysActivity': 'Physical Activity'
    },
    template='plotly_white'
)

fig2.update_layout(
    xaxis=dict(
        title='Age',
        tickvals=list(range(1, 14)),
        ticktext=list(range(1, 14))
    ),
    yaxis=dict(
        title='Income',
        tickvals=list(range(1, 9)),
        ticktext=list(range(1, 9))
    ),
    height=600
)

# Show the figures
fig1.show()
fig2.show()

References#

Contents